机器学习（ML）深度学习

深度学习

深度学习（Deep Learning，DL）革命始于 2010 年左右，这一技术突破彻底改变了人工智能领域的发展轨迹。

✅ 这场革命并非源于某一项突破性发现，而是在多项必要条件成熟时水到渠成：

• 计算机算力已足够强大
• 计算机存储容量已足够庞大
• 更先进的训练方法被发明
• 更高效的调参技术问世

神经元

科学家普遍认为，人类大脑含有约 800 亿至 1000 亿个神经元（Neurons）。

这些神经元之间通过数万亿的突触连接相互交织。

✅ 神经元（又称神经细胞）是大脑和神经系统的基本功能单元，具有三大核心功能：

• 接收外部世界的输入信号
• 输出运动指令至肌肉组织
• 对传输中的电信号进行转化处理

神经网络

人工神经网络（Artificial Neural Networks）通常简称为神经网络（NN），其本质上是多层感知机（Multi-layer Perceptrons）的架构。

感知机（Perceptron）的发明标志着多层神经网络研究的开端。作为深度学习的核心，神经网络堪称人类历史上最重要的科学发现之一。

✅ 神经网络能够解决传统算法无法攻克的难题，包括但不限于：

• 医疗诊断（Medical Diagnosis）
• 人脸识别（Face Detection）
• 语音识别（Voice Recognition）

神经网络模型架构

输入数据（黄色层）经由隐藏层（蓝色层）进行特征提取，再通过次级隐藏层（绿色层）进行非线性变换，最终生成输出结果（红色层）。

汤姆·米切尔（Tom Mitchell）

汤姆·迈克尔·米切尔（1951年出生）是美国著名计算机科学家，现任卡内基梅隆大学（CMU）校级教授。曾任 CMU 机器学习系首任系主任。

米切尔教授在 1999 年提出：当计算机程序在任务类别 T 中的性能指标 P 随着经验 E 积累而提升时，我们称该程序从经验中学习了。

✅ 核心概念解析：

• E（经验）训练迭代次数
• T（任务）目标行为（如：自动驾驶）
• P（性能）评估标准（如：驾驶表现优劣）

长颈鹿的故事

2015 年，伦敦帝国理工学院学生马修·赖（Matthew Lai）开发出名为 "长颈鹿" 的神经网络系统。该 AI 仅需 72 小时训练即可达到国际象棋特级大师水平。

计算机下棋早已不是新鲜事，但长颈鹿 AI 的构建方式却开创了全新范式。

✅ 传统智能象棋程序开发周期需要：

• 耗费数年时间开发
• 依赖人工编写复杂规则
• 针对特定棋局进行优化

✅ 相比之下，长颈鹿神经网络系统则：

• 仅需 72 小时自主训练
• 通过深度学习自动掌握棋理
• 具备通用棋局适应能力